即刻App年轻人的同好社区
下载
置顶今天说说职场上的人脉
如果没搞清楚人脉的定义，那到底要建立和经营什么？
你认识的人就是人脉
有用处的人就是人脉
只要认识就算是人脉吗？常去的早餐店老板算人脉吗？
有用处？怎样算是有用处？过去有用还是现在有用或是未来有用？要怎么知道未来会不会有用？
所以人脉到底是什么意思？以下是我自己对人脉定义：
想到某件事会想到你的人
以及各式各样你想到某件事会想到的人
这两种人都算是“有效人脉”
例如想到活动 / 营销 / 课程 / 情感 / 摄影 … 等等
想到健身会想到 xx、
想到私域会想到 xx，
而很多人想到 ___ 或 ___ 会想到你？
诸如此类。
这两种人多、涵盖的领域多，有两个好处：
其一是有很多人会因为某件事而找上你，其二是你很清楚什么事要找什么人。
从这样的定义回去检视前面提到的，只是认识当然不能算是人脉，至少你要知道他在干嘛或他知道你在干嘛。能有用处或能相互利用，也就是彼此得知道彼此可以在什么地方能派上用场，才有这样的可能性。
思考三个问题也许就能找到自己的特点：
1，你觉得你的朋友们，想到你的时候会最常想到哪几个关键字词？
2，通常别人有所求的来找你的时候，是因为他们想到了什么事情而想到可以找你？
3，你想到 ____、____、____ 的时候，脑中出现的前三个名字是谁？
(例如 创业 保险 买车 买房 看病 桌游 咖啡 黑胶 猫奴 下厨 写作 画图 … )
这大概就是我的定义中人脉运作的方式，人们用某些标签在他人的脑中留下一个印象，而后在未来的某个时刻，这个标签被触动，人们想起对方，又刚好知道要怎么联络的上对方，于是产生连结。
于是除了标签要被记住之外，还有一个重点：要让人找的到。
要怎么建立人脉？
两种人的数量都得增加！
让更多人知道你在干嘛而且会想到你、以及认识更多你知道在干嘛而且会想到他的人。
最后加上相互找的到彼此，这样就是在建立你的人脉网。
要怎么经营人脉？
简单说就是有系统有目的地增加这个人脉网覆盖的领域范围、以及增强这个人脉网的连结强度。前者指的是要认识更多元领域的人，后者指的是要加强这些标签的印象和尽量增加更正面的联想。
如果没搞清楚人脉的定义，那到底要建立和经营什么？
你认识的人就是人脉
有用处的人就是人脉
只要认识就算是人脉吗？常去的早餐店老板算人脉吗？
有用处？怎样算是有用处？过去有用还是现在有用或是未来有用？要怎么知道未来会不会有用？
所以人脉到底是什么意思？以下是我自己对人脉定义：
想到某件事会想到你的人
以及各式各样你想到某件事会想到的人
这两种人都算是“有效人脉”
例如想到活动 / 营销 / 课程 / 情感 / 摄影 … 等等
想到健身会想到 xx、
想到私域会想到 xx，
而很多人想到 ___ 或 ___ 会想到你？
诸如此类。
这两种人多、涵盖的领域多，有两个好处：
其一是有很多人会因为某件事而找上你，其二是你很清楚什么事要找什么人。
从这样的定义回去检视前面提到的，只是认识当然不能算是人脉，至少你要知道他在干嘛或他知道你在干嘛。能有用处或能相互利用，也就是彼此得知道彼此可以在什么地方能派上用场，才有这样的可能性。
思考三个问题也许就能找到自己的特点：
1，你觉得你的朋友们，想到你的时候会最常想到哪几个关键字词？
2，通常别人有所求的来找你的时候，是因为他们想到了什么事情而想到可以找你？
3，你想到 ____、____、____ 的时候，脑中出现的前三个名字是谁？
(例如 创业 保险 买车 买房 看病 桌游 咖啡 黑胶 猫奴 下厨 写作 画图 … )
这大概就是我的定义中人脉运作的方式，人们用某些标签在他人的脑中留下一个印象，而后在未来的某个时刻，这个标签被触动，人们想起对方，又刚好知道要怎么联络的上对方，于是产生连结。
于是除了标签要被记住之外，还有一个重点：要让人找的到。
要怎么建立人脉？
两种人的数量都得增加！
让更多人知道你在干嘛而且会想到你、以及认识更多你知道在干嘛而且会想到他的人。
最后加上相互找的到彼此，这样就是在建立你的人脉网。
要怎么经营人脉？
简单说就是有系统有目的地增加这个人脉网覆盖的领域范围、以及增强这个人脉网的连结强度。前者指的是要认识更多元领域的人，后者指的是要加强这些标签的印象和尽量增加更正面的联想。
15 24
0 00
Llama 3.1出来了，提供8B，70B和405B版本。
根据测试结果表明，Llama 3.1 405B是GPT-4o级别的模型。
可惜，不支持中文。
官方公告：llama.meta.com
论文地址：ai.meta.com
根据测试结果表明，Llama 3.1 405B是GPT-4o级别的模型。
可惜，不支持中文。
官方公告：llama.meta.com
论文地址：ai.meta.com
13 33
一些心得：
Agent 落地三大通用场景：客服、营销、数据分析。
LLM 三大应用方案：RAG、text2sql、适配 SOP 的 Agent。
落地的难点：低 Recall rate、成本高、定制化要求高、防御性的成本优化为主要需求。
生成式 AI 对『白领』冲击，但接下来会因为多模态的发展开始对『蓝领』开始进行替代。
AI search + RAG 在企业内部应用有非常大的获利潜力。
只要创办人是中国人或是 70% 团队成员中国人都会被米国大企业 pass
Generative AI 创业者 profile：懂业务 + 懂 Generative AI + 工程研发 + 垂直市场了解
不要做『提升 LLM 能力』相关的创业题材。
专注企业生产力提升与替代人力的垂直产业应用场景
应该投入『替代蓝领』的创业题材（ex. IoT + AI + Agent）
做 2B 导入时 ：企业问诊&认知建立&需求探索的顾问式合作是非常必要的第一步。
当前 AI 需求两大人才：
- 前期帮 B 端建立认知直到能够起项目的顾问式人才。
- 技术人才。
纯 AI 几乎必死无疑，必须建立在现有资讯架构与生态上。
Agent 落地三大通用场景：客服、营销、数据分析。
LLM 三大应用方案：RAG、text2sql、适配 SOP 的 Agent。
落地的难点：低 Recall rate、成本高、定制化要求高、防御性的成本优化为主要需求。
生成式 AI 对『白领』冲击，但接下来会因为多模态的发展开始对『蓝领』开始进行替代。
AI search + RAG 在企业内部应用有非常大的获利潜力。
只要创办人是中国人或是 70% 团队成员中国人都会被米国大企业 pass
Generative AI 创业者 profile：懂业务 + 懂 Generative AI + 工程研发 + 垂直市场了解
不要做『提升 LLM 能力』相关的创业题材。
专注企业生产力提升与替代人力的垂直产业应用场景
应该投入『替代蓝领』的创业题材（ex. IoT + AI + Agent）
做 2B 导入时 ：企业问诊&认知建立&需求探索的顾问式合作是非常必要的第一步。
当前 AI 需求两大人才：
- 前期帮 B 端建立认知直到能够起项目的顾问式人才。
- 技术人才。
纯 AI 几乎必死无疑，必须建立在现有资讯架构与生态上。
42 210
讲一个关于AI中文助手的新发现：
如果是想查阅中文文献，资料，或者问答之类的，可以尝试使用得到app里面的：得到学习助手
它的回复会很精准，不同于目前的主流大模型，原因是得到助手抓取的内容都是库里的中文书，以及各种老师的学习内容，为什么会有这么大的区别？做过AI训练的都知道，数据才是最宝贵的东西，目前主流的大模型是无法爬到得到里面的老师所发布的内容，主流的模型更多的是爬一些搜索引擎排名靠前的内容。
因此，得到在中文领域有很大的优势（不仅有中文书，又有各种学习资源）这就是核心。
模型的竞争除去算力的因素外，更取决于所引用的数据。
如果是想查阅中文文献，资料，或者问答之类的，可以尝试使用得到app里面的：得到学习助手
它的回复会很精准，不同于目前的主流大模型，原因是得到助手抓取的内容都是库里的中文书，以及各种老师的学习内容，为什么会有这么大的区别？做过AI训练的都知道，数据才是最宝贵的东西，目前主流的大模型是无法爬到得到里面的老师所发布的内容，主流的模型更多的是爬一些搜索引擎排名靠前的内容。
因此，得到在中文领域有很大的优势（不仅有中文书，又有各种学习资源）这就是核心。
模型的竞争除去算力的因素外，更取决于所引用的数据。
4 01
微软发布了目前全世界最小的模型 - Phi-3
属于开源的小型语言模型，不像以往的大模型，相比之下，更适合执行简单任务，并且可以在不需要连接云端的情况下，在手机端使用，提高隐私权和降低延迟。
其中包括了三种不同的参数，每个模型都有不同的应用场景：
Phi-3 mini (3.8亿参数）
Phi-3 small (7亿参数)
Phi-3 Medium (14亿参数)
因为够小，因此速度这块也值得期待，最常见的就是语音助手，文本总结这些应用能够直接受益。
论文链接：arxiv.org
属于开源的小型语言模型，不像以往的大模型，相比之下，更适合执行简单任务，并且可以在不需要连接云端的情况下，在手机端使用，提高隐私权和降低延迟。
其中包括了三种不同的参数，每个模型都有不同的应用场景：
Phi-3 mini (3.8亿参数）
Phi-3 small (7亿参数)
Phi-3 Medium (14亿参数)
因为够小，因此速度这块也值得期待，最常见的就是语音助手，文本总结这些应用能够直接受益。
论文链接：arxiv.org
25 18
多模态模型的独角兽公司：Reka
最突出的是模型架构，比如采用7B edge 和 21B flash这种密集的模型，参数较少，但经过优化后可以提高使用率，模块化encoder-decoder设计去支持多模态输入。
更多信息： www.reka.ai
最突出的是模型架构，比如采用7B edge 和 21B flash这种密集的模型，参数较少，但经过优化后可以提高使用率，模块化encoder-decoder设计去支持多模态输入。
更多信息： www.reka.ai
1 00
前两天的时候，我发了一个即刻说Meta 发布了Llama 3，今天在刷ins的时候，发现它们已经嵌入了AI的搜索。
因此想讨论下关于这个搜索的话题，不一定对，只是基于我自己的观察。
大家都知道搜索引擎一直都是谷歌最重要的工具之一，meta主要的营收都是来自于社群，两者之间并没有太多冲突，但是目前来看，生成式AI的出现，很有可能会打破这个局面。
如果有仔细研究Llama 3发布的报告中，可以看出一点是使用它，可以在meta的社群中直接搜索用户想知道的信息，大白话来讲就是在facebook，ins，WhatsApp中可以直接使用搜索功能，这不就是在挑战谷歌的铁饭碗吗？
因此我粗浅的认为，谷歌真正的对手并不是openAI，不是微软，而是meta。
作为双方的用户，如果真正在体验产品上，可以体会到这两者的区别，首先是谷歌的搜索，当我们在谷歌搜索信息的时候，谷歌的想法是帮助用户尽快地找到用户想要的信息，这样可以带来更多的广告流水。而meta的这种嵌入式AI搜索功能，很下意识的是会把用户尽可能停在他们社群的页面，不需要再去别的地方进行搜索，毕竟现在的APP都知道，用户的注意力才是最宝贵的东西，这种方式也是可以带来广告流水，和谷歌的路线完全不同。
两者都是有庞大护城河的企业，也必然会产生竞争，我们只能拭目以待。
因此想讨论下关于这个搜索的话题，不一定对，只是基于我自己的观察。
大家都知道搜索引擎一直都是谷歌最重要的工具之一，meta主要的营收都是来自于社群，两者之间并没有太多冲突，但是目前来看，生成式AI的出现，很有可能会打破这个局面。
如果有仔细研究Llama 3发布的报告中，可以看出一点是使用它，可以在meta的社群中直接搜索用户想知道的信息，大白话来讲就是在facebook，ins，WhatsApp中可以直接使用搜索功能，这不就是在挑战谷歌的铁饭碗吗？
因此我粗浅的认为，谷歌真正的对手并不是openAI，不是微软，而是meta。
作为双方的用户，如果真正在体验产品上，可以体会到这两者的区别，首先是谷歌的搜索，当我们在谷歌搜索信息的时候，谷歌的想法是帮助用户尽快地找到用户想要的信息，这样可以带来更多的广告流水。而meta的这种嵌入式AI搜索功能，很下意识的是会把用户尽可能停在他们社群的页面，不需要再去别的地方进行搜索，毕竟现在的APP都知道，用户的注意力才是最宝贵的东西，这种方式也是可以带来广告流水，和谷歌的路线完全不同。
两者都是有庞大护城河的企业，也必然会产生竞争，我们只能拭目以待。
2 32
